骨肉瘤是青少年最常见的恶性骨肿瘤之一,临床上迫切需要一种精确可靠的自动分割方法,来对疾病进行辅助诊断、治疗和预后。鉴于卷积神经网络优越的图像表征能力,本文基于卷积神经网络研究骨肉瘤CT图像的自动分割方法。主要针对医学图像分割领域普遍存在的不同尺度目标分割性能不一致、样本类别不平衡、训练难以收敛等问题,从网络结构、深度监督以及损失函数等方面,对现有算法进行改进。本文的主要工作及贡献如下:（1）为了缓解深度网络难以分割小病灶以及网络难以恢复因多次下采样而丢失的细节信息的问题,提出了基于多输入级联U-Net的深监督网络W-Net++,以提高网络对骨肉瘤图像的分割性能。为了使得网络能够提取更多细节信息,设计了一个新颖的跳跃连接模块,先将中间特征图上采样再进行卷积操作,以缩小感受野,捕获更多边缘和细节信息;为了恢复因多次编码和下采样导致的空间细节缺失,引入了多尺度输入;为加快网络收敛,引入自适应深度监督来引导网络的多尺度学习;为了进一步提高模型的特征表征能力,引入通道注意模块,有选择地强调通道特征图。骨肉瘤数据集上的实验结果表明:该网络的分割结果在Dice上比U-Net、U-Net++、MSRN、nnU-Net 分别提高了 6.79%、2.27%、1.91%、0.78%。（2）针对深度分割网络对不同尺度病灶分割性能不一致以及训练难以收敛的问题,设计了基于自注意力的自适应多侧边监督网络。为了自适应地调整不同侧边输出对网络训练的贡献,提出了多尺度注意模块（MA）,以便根据不同侧边输出的重要程度调整各个尺度输出对网络的贡献。为了加快网络收敛,提高网络性能,设计了具有自适应权重的混合损失函数,以便根据各个分量的训练难易程度自适应地分配权重。骨肉瘤图像数据集的大量实验结果表明,与传统的U-Net和现有性能最好的nnU-Net相比,该方法在Dice上分别提高了 7.99%和1.98%。本文通过对U-Net跳跃连接、损失函数的重新设计以及多尺度输入、深监督、通道注意力、基于自注意力的自适应多侧边监督等机制的引入,有效缓解了医学图像分割中的不同尺度目标分割性能不一致、样本类别不平衡、训练难以收敛等问题,实现了对骨肉瘤CT图像更精确的分割,从而可以更好地帮助医生对疾病进行辅助诊断、治疗和预后。